块增量典型相关分析

摘要：

增量学习是处理大规模动态流数据的重要技术,在机器学习领域得到广泛应用.已有众多学者将其与降维方法相结合得到增量式降维算法,其中增量典型相关分析(ICCA)是典型相关分析(CCA)的增量式改进版本,可有效处理多视图的高维数据流降维问题.由于ICCA每次只利用单对样本更新投影向量,每新增一对样本均需更新一次投影向量,导致该算法比较耗时.为了提高算法的效率,提出了块增量典型相关分析(CICCA)算法.该算法无需计算样本协方差矩阵,直接将数据流按批处理,每次利用新增的批样本信息对上一步投影向量进行修正更新,从而得到主投影向量.进一步,在投影向量的正交补空间中计算其他投影向量,进而将原始高维的多视图数据投影到低维空间.在人工数据集和真实数据集上的实验结果表明,该算法提取低维特征的分类性能与CCA、ICCA相当,但训练时间大幅度减少.

关键词：典型相关分析(CCA)、数据降维、增量学习、多视图分类

所属期刊栏目：16

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金;国家自然科学基金;国家重点研发计划

在线出版日期：2022-08-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：1809-1818